代码审查中的语义等价检测：模型如何判断重构前后的逻辑一致性-育师

代码审查中的语义等价检测：模型如何判断重构前后的逻辑一致性

一、语义等价检测的核心问题

二、模型检测语义等价的技术路径

当前主流的语义等价检测方案可分为三层递进结构：流程通常从输入重构前后的代码开始，首先经过第一层 AST 结构比对；若结构等价则直接判定，若结构不等价则进入第二层符号执行验证；当符号执行路径不可穷举时，最终由第三层 LLM 语义推理介入，输出等价概率及不等价风险点。

第一层：AST 结构比对。将两段代码解析为抽象语法树后，对节点序列做归一化处理（忽略变量名、常量折叠），再逐节点比对。这一层速度快、精度高，但覆盖面窄——仅能识别字面级别的重写。

第二层：符号执行验证。对函数输入空间做符号化建模，沿执行路径计算输出表达式。如果两条路径的输出表达式在所有符号取值下恒等，则判定语义等价。局限性在于：循环、递归、动态分支等场景下路径数量可能爆炸，无法穷举。

第三层：LLM 语义推理。当符号执行无法覆盖完整路径时，模型通过对代码意图的抽象理解进行概率性判定。模型会识别两段代码的核心逻辑流、副作用序列、边界处理方式，并给出等价概率及潜在风险点。

三、实际检测中的关键挑战

3.1 副作用与上下文依赖

语义等价不仅关乎返回值，还涉及副作用。以下代码片段在返回值上等价，但副作用顺序不同：

// 重构前：先更新缓存，再计算结果 function computeWithCache(input, cache) { if (!cache.has(input)) { const result = heavyCompute(input); cache.set(input, result); // 副作用 1：写缓存 return result; // 副作用 2：返回值 } return cache.get(input); } // 重构后：先返回结果，延迟写缓存 function computeWithCacheLazy(input, cache) { if (cache.has(input)) { return cache.get(input); } const result = heavyCompute(input); return result; // 副作用 2 先发生 // 注意：此处缺少 cache.set，逻辑不等价！ }

模型需要追踪所有可观察行为（返回值、状态变更、异常抛出），而非仅关注最终输出值。

3.2 浮点精度与类型边界

===与==的差异、Number.parseInt与Number构造器的差异、浮点运算的精度损失——这些边界行为差异对模型而言是高频误判区域。

3.3 异步控制流等价

Promise 链与 async/await 的互写、callback 模式与事件模式的转换，在语义上可能等价也可能不等价（取决于错误传播路径）。

四、工程实践：构建语义等价检测流水线

以下是一个结合 AST 比对与 LLM 推理的检测流水线实现：

interface EquivalenceResult { isEquivalent: boolean; confidence: number; // 0-1 置信度 riskPoints: RiskPoint[]; // 不等价风险点 structuralDiff: string; // AST 差异摘要 } interface RiskPoint { location: string; // 风险代码位置 description: string; // 风险描述 severity: 'high' | 'medium' | 'low'; } /** * 语义等价检测流水线 * 先走 AST 结构比对，结构不等价时调用 LLM 推理 */ async function detectSemanticEquivalence( beforeCode: string, afterCode: string, context?: string ): Promise<EquivalenceResult> { // 第一层：AST 结构比对 const astResult = structuralComparison(beforeCode, afterCode); if (astResult.isStructurallyEquivalent) { return { isEquivalent: true, confidence: 1.0, riskPoints: [], structuralDiff: '' }; } // 第二层：符号执行（适用于简单函数） const symbolResult = symbolicExecutionCheck(beforeCode, afterCode); if (symbolResult.coverage > 0.95) { return { isEquivalent: symbolResult.isEquivalent, confidence: symbolResult.coverage, riskPoints: symbolResult.mismatches.map(m => ({ location: m.path, description: `路径输出不一致：${m.detail}`, severity: 'high' as const })), structuralDiff: astResult.diffSummary }; } // 第三层：LLM 语义推理 const llmResult = await llmSemanticInference( beforeCode, afterCode, astResult.diffSummary, context ); return { isEquivalent: llmResult.prediction === 'equivalent', confidence: llmResult.confidence, riskPoints: llmResult.riskPoints, structuralDiff: astResult.diffSummary }; } /** * AST 归一化比对 * 将变量名统一为占位符，忽略纯格式差异 */ function structuralComparison(before: string, after: string) { const beforeTree = parseAndNormalize(before); const afterTree = parseAndNormalize(after); const diffNodes = compareASTNodes(beforeTree, afterTree); const isEquivalent = diffNodes.length === 0; return { isStructurallyEquivalent: isEquivalent, diffSummary: diffNodes.map(d => `${d.type}: ${d.before} → ${d.after}`).join('\n') }; } function parseAndNormalize(code: string) { try { const ast = parseToAST(code); return normalizeAST(ast); // 变量名替换为 _v0, _v1... } catch (error) { throw new Error(`AST 解析失败：${(error as Error).message}`); } }